多尺度聚類(lèi)挖掘方法.pdf

1、聚類(lèi)挖掘是數(shù)據(jù)挖掘研究領(lǐng)域的一個(gè)重要研究分支，在語(yǔ)音識(shí)別、圖像分割、市場(chǎng)營(yíng)銷(xiāo)、金融保險(xiǎn)、電子商務(wù)等諸多領(lǐng)域廣泛應(yīng)用。聚類(lèi)挖掘的實(shí)質(zhì)是旨在將樣本集按其自身屬性聚成若干類(lèi)，以保證類(lèi)內(nèi)樣本相似度盡可能高，而類(lèi)間樣本相似度盡可能低。多尺度聚類(lèi)是典型的跨學(xué)科課題，其本質(zhì)是利用聚類(lèi)技術(shù)多尺度、多層次地剖析研究客體的客觀構(gòu)成，研究尺度轉(zhuǎn)換引起的尺度效應(yīng)現(xiàn)象和各尺度間的函數(shù)關(guān)系。多尺度理論已在聚類(lèi)挖掘領(lǐng)域取得了可觀的進(jìn)展，提出了一些多尺度聚類(lèi)挖掘的理論

2、和方法，但研究多局限于空間、圖像數(shù)據(jù)，限制了多尺度科學(xué)在聚類(lèi)技術(shù)上的應(yīng)用和推廣。
　　論文結(jié)合多尺度科學(xué)與聚類(lèi)挖掘各自領(lǐng)域特點(diǎn)，進(jìn)一步研究面向一般數(shù)據(jù)集的多尺度理論與多尺度聚類(lèi)挖掘方法。在聚類(lèi)挖掘領(lǐng)域引入多尺度科學(xué)的相關(guān)理論與方法，提出以概念分層為基準(zhǔn)的廣義尺度定義，分析尺度轉(zhuǎn)換和尺度效應(yīng)實(shí)質(zhì)，構(gòu)建多尺度聚類(lèi)挖掘系統(tǒng)結(jié)構(gòu)，最終形成多尺度聚類(lèi)挖掘理論體系;以多尺度聚類(lèi)挖掘理論與方法為指導(dǎo)思想，結(jié)合無(wú)偏最優(yōu)估計(jì)的克里格方法，提出多尺度

3、聚類(lèi)挖掘的尺度上推挖掘算法和尺度下推挖掘算法，實(shí)現(xiàn)數(shù)據(jù)聚類(lèi)的多尺度化;最后，提出基于信息熵的多尺度聚類(lèi)尺度轉(zhuǎn)換結(jié)果評(píng)價(jià)指標(biāo)，為最終的多尺度聚類(lèi)挖掘結(jié)果提供了理論和方法支持。
　　本文立足聚類(lèi)挖掘，借助多尺度科學(xué)理論，探索構(gòu)建多尺度聚類(lèi)挖掘理論體系，研究多尺度聚類(lèi)尺度轉(zhuǎn)換方法以及尺度轉(zhuǎn)換結(jié)果評(píng)價(jià)指標(biāo)。主要研究?jī)?nèi)容包括以下幾個(gè)方面:
　　1)探討構(gòu)建多尺度聚類(lèi)挖掘理論體系
　　傳統(tǒng)的聚類(lèi)挖掘未對(duì)數(shù)據(jù)的多尺度特性進(jìn)行深入研究

4、，并且已有的多尺度聚類(lèi)挖掘理論和方法多局限于空間、圖像數(shù)據(jù)。針對(duì)存在的問(wèn)題，從多尺度數(shù)據(jù)集、尺度轉(zhuǎn)換、尺度效應(yīng)和多尺度聚類(lèi)挖掘系統(tǒng)結(jié)構(gòu)四個(gè)方面研究多尺度聚類(lèi)挖掘理論體系。首先，提出基于概念分層的數(shù)據(jù)尺度、尺度劃分和多尺度數(shù)據(jù)集以及多尺度數(shù)據(jù)集之間祖孫、父子、兄弟和上下層關(guān)系的定義，確立理論基礎(chǔ);其次，分析多尺度聚類(lèi)挖掘核心——尺度轉(zhuǎn)換的定義、原因、分類(lèi)和途徑;再次，歸納多尺度聚類(lèi)尺度效應(yīng)的定義及其影響;最后，在傳統(tǒng)數(shù)據(jù)挖掘過(guò)程的基礎(chǔ)上，

5、提出多尺度聚類(lèi)挖掘系統(tǒng)結(jié)構(gòu)，為多尺度聚類(lèi)的后續(xù)研究提供理論支撐和實(shí)現(xiàn)思路。
　　2)提出多尺度聚類(lèi)挖掘算法
　　多尺度聚類(lèi)挖掘理論體系為尺度轉(zhuǎn)換提供了理論基礎(chǔ)，結(jié)合尺度轉(zhuǎn)換過(guò)程，構(gòu)造多尺度聚類(lèi)挖掘算法框架;分析克里格法可用于一般數(shù)據(jù)集的本質(zhì);通過(guò)分析目前地學(xué)、圖像學(xué)、生物學(xué)等學(xué)科較為成熟的尺度轉(zhuǎn)換方法思想，基于塊狀克里格法BK (Block Kriging)提出多尺度聚類(lèi)挖掘尺度上推算法MSCSUA(Multi-Scale

6、Clustering Scaling Up Algorithm)，并基于回歸面到點(diǎn)克里格法ATPRK (Area To Point Regression Kriging)提出多尺度聚類(lèi)挖掘尺度下推算法MSCSDA(Multi-Scale Clustering Scaling Down Algorithm)。算法實(shí)現(xiàn)了聚類(lèi)挖掘知識(shí)的多尺度化，與傳統(tǒng)聚類(lèi)算法直接在目標(biāo)尺度進(jìn)行聚類(lèi)的結(jié)果進(jìn)行比對(duì)，并對(duì)算法的正確性和可行性進(jìn)行分析。
　　

7、3)提出多尺度聚類(lèi)有效性指標(biāo)
　　多尺度聚類(lèi)有效性指標(biāo)是對(duì)多尺度聚類(lèi)尺度上推和下推結(jié)果的定量評(píng)估，是對(duì)尺度轉(zhuǎn)換算法直觀的分析評(píng)價(jià)。論文結(jié)合多尺度領(lǐng)域尺度轉(zhuǎn)換精度評(píng)價(jià)指標(biāo)和聚類(lèi)有效性指標(biāo)，引入信息熵度量不同聚類(lèi)有效性指標(biāo)下聚類(lèi)結(jié)果尺度效應(yīng)的不確定程度，并將信息熵結(jié)果歸一化后作為各聚類(lèi)有效性指標(biāo)的權(quán)重，加權(quán)集成得到多尺度聚類(lèi)有效性指標(biāo)MSCVI(Multi-Scale Clustering Validity Index)，以便更好地適